基于 Double DQN 的复杂环境下机器人路径规划改进算法
机器人学
2021-07-26 v1 人工智能
摘要
根据我们的实验，Deep Q Network (DQN) 在存在诸多困境的环境中进行路径规划时具有若干局限性。其奖励函数可能难以建模，且在经验回放中难以找到成功的经验转换。在此背景下，本文通过借鉴 A* 和快速探索随机树 (RRT) 提出了一种改进的 Double DQN (DDQN) 来解决该问题。为了在经验回放中实现丰富的经验，基于 RRT 策略重新定义了每轮训练中机器人的初始化。此外，根据 A* 中位置代价的定义，专门为自由位置设计了奖励，以加速学习过程。仿真实验结果验证了改进 DDQN 的有效性，机器人能够成功学习避障和最优路径规划能力，而在这些场景下 DQN 或 DDQN 原本无效。
引用
@article{arxiv.2107.11245,
title = {An Improved Algorithm of Robot Path Planning in Complex Environment Based on Double DQN},
author = {Fei Zhang and Chaochen Gu and Feng Yang},
journal= {arXiv preprint arXiv:2107.11245},
year = {2021}
}
备注
Accepted in International Conference on Guidance, Navigation and Control,2020